脑机接口通过在大脑与外部设备之间建立直接的通路,在不依赖常规的脊髓／外周神经系统的情况下实现大脑与外部设备的交互,可以为残障患者康复提供新的途径。植入式脑机接口将电极阵列埋植到大脑皮层,能够记录到单个神经元的锋电位信号,这种信号时空分辨率高并且蕴含了丰富的运动信息。将这些运动信息解码出来从而实现对外部设备的精确控制是脑机接口领域的研究热点。然而由多通道记录和高频率采样获得的神经信号具有较高维度,且包含有无关信息,会影响解码的实时性和准确性；神经信号本身具有非线性时变性等特点,而现有的解码模型大多为线性静态模型,限制了对神经信号的精确解码。针对神经解码面临的这些挑战,本文尝试解决以下两个问题：1)神经元重要性的精确评估；2)锋电位的高效解码。前者可以消除神经信号中的无关信息,降低数据的维度,有利于神经解码；后者设计出更合适的算法实现对锋电位的高效解码。本文采用基于局部学习的方法,通过将神经信号高度复杂的非线性关系分解为许多局部线性关系的叠加,可以在不依赖编解码模型的情况下从数据中计算出神经元的重要性。实验结果表明相比其它方法,基于局部学习的方法可以更加精确地识别出无关神经元,并且筛选出来的少量重要神经元可以提供与全部神经元类似的解码精度,从而实现了对神经信号的有效约简。在神经解码方面,本文在序列蒙特卡罗点过程估计(SMCPP)的框架内,针对神经元的生理特性设计更加高效的神经解码算法。锋电位序列被描述为点过程,避免了采用时间窗所引起的信息丢失；后验概率表示为许多粒子的集合,移除了以往算法中的高斯分布假设,实现了对运动信息更加精确的描述。根据神经集群活动时空相关性的特点,本文在SMCPP中定义更加合理的神经元调谐模型,从而可以有效地降低解码误差。针对神经元时变性的特点,通过将参数变化点检测算法和静态参数估计算法与SMCPP相结合,仿真实验表明在解码过程中当神经元调谐特性发生突变时,该算法能自动对参数进行相应调整,相比静态参数算法进一步降低了解码误差。虽然序列蒙特卡罗点过程方法可以实现对神经活动的精确解码,然而过高的计算复杂度对算法的实时性提出了挑战。本文对该算法进行大规模并行化实现并运行在GPU上,借助GPU强大的并行计算能力来提高算法的解码速度。本文将神经科学领域的发现与机器学习算法结合从而实现对神经元重要性的精确评估和锋电位的高效解码,创新点在于：采用基于局部学习方法对神经元重要性进行精确评估,不依赖编解码模型,筛选出来的少量神经元(10个)可以提供与所有神经元(>70个)类似的解码精度(95%以上)；根据神经集群活动时空相关性定义的调谐模型显著减少了解码误差,其中对位置的预测误差下降了23%；针对神经元时变性设计的动态解码模型可以自动检测到神经元调谐特性的变化,真实数据上的初步结果显示相比传统的静态参数算法,该算法可以降低解码误差。此外,本论文尝试将解码算法大规模并行化实现后运行在GPU上使解码速度提升将近10倍。这些研究都为实现长期稳定实用的脑机接口系统打下坚实的基础。